现代社会的飞速发展对身份鉴别的快速性、准确性及安全性等方面都提出了更为严苛的要求,而生物特征识别技术的快速发展使得这一切成为了可能。其中,人脸检测与识别技术发展最为迅速,相对而言,这种方法更加直接、友好,也更便于在生产实践中得到广泛应用。如今,身份识别系统在诸多领域发挥着重要作用,其市场前景也十分广阔,研究更为快速有效的人脸检测与识别系统,对社会发展以及公共安全、国家安全等方面都有着十分重要的意义。本文在总结和分析了国内外相关研究成果的基础之上,对人脸检测与识别算法进行了深入研究和改进,使人脸检测与识别系统的准确率和速度都有了相应提升。本文的研究重点主要分为以下三个部分：(1)在检测与识别之前,为了获得较好的图像质量,先对图像进行预处理,本文主要用到了图像增强技术,对待检测的图像采用直方图均衡化的方法进行处理,增强对比鼹突出局部细节,利于后续检测。对待识别的人脸图像采用光照补偿的方法进行处理,使过暗或过亮的人脸图像质量得到明显改善,利于后续识别。此外,还对图像处理中常用到的图像分割技术做了介绍,同时,对本文系统开发所采用的OpenCV技术做了详尽阐述。(2)研究了基于静态和视频图像的Adaboost人脸检测算法,主要包括Haar特征的选取和特征值的计算,分类器的设计与构造。在算法实现的过程中,更新了样本的概率规则,使得训练更加注重错误样本。为了使检测效果更好,提出了基于肤色分割的Adaboost人脸检测改进算法,首先将图像转换到YCbCr颜色空间,利用肤色在此空间中的良好聚类性分割出肤色区域,再经过形态学和平滑处理,得到肤色区域,最后再采用Adaboost算法进行人脸检测。经验证,改进的算法收到了良好的效果,提升了检测率和检测速度,同时有效地降低了误检率。(3)人脸识别阶段,研究了基于Fisherfaces和LBP的人脸识别方法。Fisherfaces方法由主成分分析(PCA)和线性鉴别分析(LDA)法构成,从图像的整体角度出发进行识别。局部二值模式(LBP)算法则是从图像的局部角度出发,通过各个子分块图像的特征级联成用于鉴别的特征向量。综合Fisherfaces与LBP算法的优缺点,给出了本文的结合LBP与Fisherfaces的人脸识别算法,这种算法既保留LBP算法训练样本少、对光照变化和旋转鲁棒性强的优点,又利用Fisherfaces算法降维和分类的思想减少了计算量与复杂度,提高了识别的准确率。经验证,改进的算法相比较其他算法而言,识别率更高,鲁棒性更好。